論文の概要: hls4ml: An Open-Source Codesign Workflow to Empower Scientific Low-Power Machine Learning Devices

• arxiv url: http://arxiv.org/abs/2103.05579v1
• Date: Tue, 9 Mar 2021 17:34:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-11 07:15:07.449223
• Title: hls4ml: An Open-Source Codesign Workflow to Empower Scientific Low-Power Machine Learning Devices
• Title（参考訳）: hls4ml:科学的な低消費電力マシンラーニングデバイスを実現するオープンソースのコデザインワークフロー
• Authors: Farah Fahim, Benjamin Hawks, Christian Herwig, James Hirschauer, Sergo Jindariani, Nhan Tran, Luca P. Carloni, Giuseppe Di Guglielmo, Philip Harris, Jeffrey Krupa, Dylan Rankin, Manuel Blanco Valentin, Josiah Hester, Yingyi Luo, John Mamish, Seda Orgrenci-Memik, Thea Aarestaad, Hamza Javed, Vladimir Loncar, Maurizio Pierini, Adrian Alan Pol, Sioni Summers, Javier Duarte, Scott Hauck, Shih-Chieh Hsu, Jennifer Ngadiuba, Mia Liu, Duc Hoang, Edward Kreinar, Zhenbin Wu
• Abstract要約: 科学的領域では、リアルタイム近接センサー処理は実験設計を劇的に改善し、科学的発見を加速することができる。 我々は,機械学習アルゴリズムの解釈と翻訳を行う,オープンソースのソフトウェアハードウェアコード署名ワークフローであるhls4mlを開発した。 我々は、能力と技術を低消費電力実装に拡張することで、以前のhls4ml作業を拡大する。
• 参考スコア（独自算出の注目度）: 0.6353764569103648
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accessible machine learning algorithms, software, and diagnostic tools for energy-efficient devices and systems are extremely valuable across a broad range of application domains. In scientific domains, real-time near-sensor processing can drastically improve experimental design and accelerate scientific discoveries. To support domain scientists, we have developed hls4ml, an open-source software-hardware codesign workflow to interpret and translate machine learning algorithms for implementation with both FPGA and ASIC technologies. We expand on previous hls4ml work by extending capabilities and techniques towards low-power implementations and increased usability: new Python APIs, quantization-aware pruning, end-to-end FPGA workflows, long pipeline kernels for low power, and new device backends include an ASIC workflow. Taken together, these and continued efforts in hls4ml will arm a new generation of domain scientists with accessible, efficient, and powerful tools for machine-learning-accelerated discovery.
• Abstract（参考訳）: アクセス可能な機械学習アルゴリズム、ソフトウェア、エネルギー効率のよいデバイスやシステムの診断ツールは、幅広いアプリケーションドメインにわたって非常に有用である。 科学的領域では、リアルタイム近接センサー処理は実験設計を劇的に改善し、科学的発見を加速することができる。 ドメインサイエンティストを支援するために、FPGAとASIC技術の両方で実装するための機械学習アルゴリズムを解釈および翻訳するオープンソースのソフトウェアハードウェアコード署名ワークフローであるhls4mlを開発しました。 新しいPython API、量子化対応のpruning、エンドツーエンドのFPGAワークフロー、低消費電力のための長いパイプラインカーネル、ASICワークフローを含む新しいデバイスのバックエンド。 これらとhls4mlの継続的な取り組みは、新しい世代のドメイン科学者に、機械学習が加速する発見のためのアクセス可能で効率的で強力なツールを付与する。

関連論文リスト

• ExaWorks Software Development Kit: A Robust and Scalable Collection of Interoperable Workflow Technologies [3.1805622006446397]
  不均一な科学的発見は、ますます高性能なコンピューティングプラットフォーム上での実行を必要としている。 私たちはExaWorks Software Development Kit(SDK)の開発でこの問題に対処することに貢献しました。 SDKは、現在のベストプラクティスに従って開発された一連のワークフロー技術であり、特にHPCプラットフォームで動作するように設計されている。
  論文  参考訳（メタデータ） (2024-07-23T17:00:09Z)
• Exploring and Characterizing Large Language Models For Embedded System Development and Debugging [10.967443876391611]
  大規模言語モデル (LLM) は、コードを生成する際、顕著な能力を示しているが、組み込みシステム用のソフトウェアを開発する能力は研究されていない。 我々は,組込みシステム開発におけるLLMの能力と限界を評価するためのオープンソースフレームワークを開発した。 この発見を利用して、人間のプログラマがこれらのツールとどのように相互作用するかを研究し、組み込みシステムを構築するためのヒューマンAIベースのソフトウェアエンジニアリングワークフローを開発する。
  論文  参考訳（メタデータ） (2023-07-07T20:14:22Z)
• Multi-Fidelity Active Learning with GFlowNets [65.91555804996203]
  本稿では,GFlowNetsをサンプルとして多要素能動学習アルゴリズムを提案する。 分子探索タスクの評価は,GFlowNetsを用いた多要素能動学習が,その単要素の予算のごく一部で高い評価の候補を発見できることを示す。
  論文  参考訳（メタデータ） (2023-06-20T17:43:42Z)
• End-to-end codesign of Hessian-aware quantized neural networks for FPGAs and ASICs [49.358119307844035]
  我々は、共設計ニューラルネットワーク(NN)のトレーニングと実装のためのエンドツーエンドワークフローを開発する。 これにより、ハードウェアにおける効率的なNN実装が、非専門家に、単一のオープンソースワークフローでアクセスできるようになる。 大型ハドロン衝突型加速器(LHC)の40MHz衝突速度で動作しなければならないトリガー決定を含む粒子物理学アプリケーションにおけるワークフローを実演する。 シミュレーションLHC陽子-陽子衝突における高速粒子ジェット用混合精度NNを実装した。
  論文  参考訳（メタデータ） (2023-04-13T18:00:01Z)
• Open-source FPGA-ML codesign for the MLPerf Tiny Benchmark [11.575901540758574]
  我々は,フィールドプログラマブルゲートアレイ(FPGA)プラットフォーム上でのTiny Inference Benchmarkの開発経験を示す。 我々は、FPGA上で最適化されたニューラルネットワークのAIハードウェアコーデックを民主化することを目的として、オープンソースのhls4mlとFINN perJを使用している。 ソリューションはシステムオンチップ(Pynq-Z2)と純粋なFPGA(Arty A7-100T)プラットフォームにデプロイされる。
  論文  参考訳（メタデータ） (2022-06-23T15:57:17Z)
• Productive Reproducible Workflows for DNNs: A Case Study for Industrial Defect Detection [0.0]
  本稿では,産業欠陥検出のためのエンド・ツー・エンドの人工知能アプリケーションを開発した最近の経験について論じる。 私たちは、高レベルのディープラーニングライブラリ、コンテナ化、継続的インテグレーション/デプロイパイプライン、そして競合する結果を生み出すために利用したオープンソースのコードテンプレートについて詳しく説明します。 このようなシステムを活用することで、研究においても得られる価値を強調し、精度と推測時間の観点から最良の結果を提示する。
  論文  参考訳（メタデータ） (2022-06-19T09:10:13Z)
• Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
  私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。 Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
  論文  参考訳（メタデータ） (2022-01-29T01:03:29Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• CFU Playground: Full-Stack Open-Source Framework for Tiny Machine Learning (tinyML) Acceleration on FPGAs [2.2177069086277195]
  CFU Playgroundは、組み込みMLシステムのための機械学習アクセラレータ(ML)の迅速かつ反復的な設計を可能にする、フルスタックのオープンソースフレームワークである。 我々のツールはFPGAと将来のシステム研究におけるハードウェアとソフトウェアの共同設計のために、完全にオープンソースでエンドツーエンドのフローを提供する。 私たちの迅速なデプロイ-注目-最適化フィードバックループによって、MLハードウェアとソフトウェア開発者は、比較的小さな投資から大きなリターンを得られるようになります。
  論文  参考訳（メタデータ） (2022-01-05T23:15:58Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。